基于RBF神经网络的添加剂改性炭材料高温黏结剂的性能预报模型
来源期刊:新型炭材料2007年第4期
论文作者:杨榛 梁晓怿 张睿 凌立成 顾幸生
关键词:炭材料; 高温黏结剂; 剪切强度; RBF人工神经网络;
摘 要:在炭材料黏结剂添加剂改性实验数据的基础上,将神经网络方法用于研究添加剂配方和热处理温度对黏结强度的影响关系,建立了添加剂改性炭材料黏结剂的RBF(Radial Basis Function径向基函数)神经网络性能预报模型,并与BP(Back-Propagation逆传播)人工神经网络进行了预报精度和训练过程比较.结果表明:上述两种模型对于黏结强度的预报平均相对误差分别为0.012 7和0.060 0,且BP人工神经网络易陷入局部最小.因此,RBF神经网络模型的预报能力较好,得出了具有较精确黏结性能的添加剂配方和热处理数据.可望在炭材料黏结剂改性中的多变量、非线性体系中提高实验工作效率,为炭材料黏结剂提供一条有应用前景的理论设计途径.
杨榛1,梁晓怿1,张睿1,凌立成1,顾幸生2
(1.华东理工大学,化工学院,上海,200237;
2.华东理工大学,信息科学与工程学院,上海,200237)
摘要:在炭材料黏结剂添加剂改性实验数据的基础上,将神经网络方法用于研究添加剂配方和热处理温度对黏结强度的影响关系,建立了添加剂改性炭材料黏结剂的RBF(Radial Basis Function径向基函数)神经网络性能预报模型,并与BP(Back-Propagation逆传播)人工神经网络进行了预报精度和训练过程比较.结果表明:上述两种模型对于黏结强度的预报平均相对误差分别为0.012 7和0.060 0,且BP人工神经网络易陷入局部最小.因此,RBF神经网络模型的预报能力较好,得出了具有较精确黏结性能的添加剂配方和热处理数据.可望在炭材料黏结剂改性中的多变量、非线性体系中提高实验工作效率,为炭材料黏结剂提供一条有应用前景的理论设计途径.
关键词:炭材料; 高温黏结剂; 剪切强度; RBF人工神经网络;
【全文内容正在添加中】